群體智能優(yōu)化算法及其應(yīng)用

前言

第1章緒論

第2章經(jīng)典群體智能算法

第3章社會認(rèn)知優(yōu)化算法

第4章新型社會認(rèn)知優(yōu)化算法

第5章細(xì)菌群體趨藥性算法及改進

第6章三維碎片模型特征提取

第7章基于證據(jù)和區(qū)間數(shù)的多特征智能融合識別方法

第8章基于離散自然社會認(rèn)知優(yōu)化算法的全局最優(yōu)匹配

第9章基于顯著特征的智能配準(zhǔn)算法

第10章基于粒子群算法的測試數(shù)據(jù)的生成及優(yōu)化

第11章基于進化算法的測試數(shù)據(jù)生成

第12章基于自適應(yīng)粒子群算法的測試數(shù)據(jù)擴增方法

第13章基于蟻群算法的組合測試用例的生成與優(yōu)化

第14章總結(jié)與展望 2100433B

本書面向智能信息處理研究的前沿領(lǐng)域，針對群體智能優(yōu)化算法及其應(yīng)用中的關(guān)鍵問題，系統(tǒng)地討論了新型群體智能優(yōu)化算法以及群體智能優(yōu)化算法在三維模型處理和可信軟件測試中的應(yīng)用，比較全面地反映了國內(nèi)外在三維模型智能處理和基于搜索的可信軟件測試領(lǐng)域的最新研究進展。本書主要內(nèi)容包括經(jīng)典群體智能優(yōu)化算法、社會認(rèn)知優(yōu)化算法、自然社會認(rèn)知優(yōu)化算法、細(xì)菌群體趨藥性算法、混沌細(xì)菌群體趨藥算法、三維模型多特征提取、基于證據(jù)和區(qū)間數(shù)的智能三維模型融合匹配識別方法、基于群體智能的文物三維模型全局最優(yōu)匹配算法、基于群體智能的三維模型配準(zhǔn)算法、基于粒子群算法的測試數(shù)據(jù)生成及優(yōu)化、基于改進粒子群優(yōu)化的測試用例擴增方法和基于蟻群算法的組合測試數(shù)據(jù)生成與優(yōu)化。

第1章 群體智能算法概述 1

1.1 群體智能算法的特點 1

1.1.1 智能性 1

1.1.2 隱含本質(zhì)并行性 2

1.1.3 解的近似性 2

1.2 群體智能算法的計算模式 2

1.2.1 社會協(xié)作機制 3

1.2.2 自我適應(yīng)機制 3

1.2.3 競爭機制 4

1.3 遺傳算法 4

1.3.1 標(biāo)準(zhǔn)遺傳算法原理 5

1.3.2 編碼機制與主要算子 7

1.4 差異演化算法 8

1.5 粒子群算法 10

1.5.1 粒子群算法的原理 10

1.5.2 PSO算法的計算模型 11

1.6 教—學(xué)優(yōu)化算法 13

1.7 顧問引導(dǎo)搜索算法 13

1.8 本章小結(jié) 15

參考文獻 16

第2章 人工魚群算法 18

2.1 人工魚群算法的數(shù)學(xué)模型 18

2.2 人工魚群算法的收斂性分析 21

2.2.1 常用距離 21

2.2.2 基于Markfov鏈技術(shù)的收斂性分析 22

2.2.3 基于壓縮映射定理的收斂性分析 25

2.3 人工魚群算法的相關(guān)研究 26

2.3.1 參數(shù)的改進 27

2.3.2 與其他智能算法的融合 28

2.3.3 其他的改進方法 29

2.4 本章小結(jié) 32

參考文獻 32

第3章 人工魚群算法的改進研究 34

3.1 小生境人工魚群算法 34

3.1.1 小生境技術(shù) 34

3.1.2 算法實現(xiàn) 36

3.1.3 算法的收斂性 36

3.1.4 仿真實驗與分析 38

3.1.5 結(jié)論 40

3.2 自適應(yīng)人工魚群算法 40

3.2.1 參數(shù)自適應(yīng)機制 40

3.2.2 算法實現(xiàn) 42

3.2.3 仿真實驗與分析 42

3.2.4 結(jié)論 44

3.3 基于種群分類的人工魚群算法 44

3.3.1 種群分類思想及設(shè)置 45

3.3.2 算法實現(xiàn) 46

3.3.3 仿真實驗與分析 47

3.3.4 結(jié)論 50

3.4 混和反向?qū)W習(xí)人工魚群算法 50

3.4.1 反向?qū)W習(xí) 50

3.4.2 佳點集 51

3.4.3 人工魚群算法的改進機制 51

3.4.4 仿真實驗與分析 54

3.4.5 結(jié)論 59

3.5 精英競爭人工魚群算法 59

3.5.1 基于動態(tài)隨機搜索的精英訓(xùn)練 59

3.5.2 算法實現(xiàn) 60

3.5.3 仿真實驗與分析 61

3.5.4 結(jié)論 67

3.6 隨機游走人工魚群算法 67

3.6.1 Lévy Flight機制 67

3.6.2 算法改進思想 68

3.6.3 算法實現(xiàn) 69

3.6.4 仿真實驗與分析 70

3.6.5 結(jié)論 72

3.7 混合群搜索人工魚群算法 73

3.7.1 標(biāo)準(zhǔn)群搜索優(yōu)化算法 73

3.7.2 群搜索優(yōu)化算法的改進 75

3.7.3 混合群搜索人工魚群算法 77

3.7.4 仿真實驗與分析 78

3.7.5 結(jié)論 81

3.8 本章小結(jié) 81

參考文獻 82

第4章 煙花爆炸優(yōu)化算法及改進 83

4.1 煙花爆炸優(yōu)化算法 83

4.2 混沌煙花爆炸優(yōu)化算法 86

4.2.1 混沌搜索算法 86

4.2.2 算法實現(xiàn) 87

4.2.3 仿真實驗與分析 87

4.2.4 結(jié)論 91

4.3 混合動態(tài)搜索煙花爆炸優(yōu)化算法 91

4.3.1 算法實現(xiàn) 91

4.3.2 仿真實驗與分析 92

4.3.3 結(jié)論 96

4.4 混合反向?qū)W習(xí)煙花爆炸優(yōu)化算法 96

4.4.1 精英反向?qū)W習(xí) 96

4.4.2 基于模擬退火機制的種群選擇 97

4.4.3 算法實現(xiàn) 97

4.4.4 仿真實驗與分析 98

4.4.5 結(jié)論 102

4.5 隨機游走煙花爆炸優(yōu)化算法 102

4.5.1 基于隨機游走機制的變異算子 103

4.5.2 基于Boltzmann 子個體選擇 103

4.5.3 算法實現(xiàn) 104

4.5.4 仿真實驗與分析 105

4.5.5 結(jié)論 109

4.6 本章小結(jié) 109

參考文獻 109

第5章 群體智能算法的應(yīng)用 110

5.1 物流配送中的車輛調(diào)度問題 110

5.1.1 問題的提出 110

5.1.2 組合優(yōu)化 111

5.1.3 車輛調(diào)度問題的數(shù)學(xué)模型 111

5.1.4 求解VRP的混合人工魚群遺傳算法 112

5.1.5 仿真實驗結(jié)果 113

5.2 求解SVM反問題的差異演化算法 113

5.2.1 問題的提出 113

5.2.2 差異演化算法的設(shè)計 114

5.2.3 差異演化算法的改進 114

5.2.4 仿真實驗結(jié)果 116

5.3 求解聚類問題的人工魚群算法 118

5.3.1 聚類模型 118

5.3.2 算法的設(shè)計 119

5.3.3 算法實現(xiàn) 120

5.3.4 仿真實驗結(jié)果 121

5.4 求解測試用例自動化問題的人工魚群算法 123

5.4.1 路徑測試模型 123

5.4.2 混沌搜索 125

5.4.3 算法的設(shè)計 125

5.4.4 仿真實驗結(jié)果 127

5.5 求解關(guān)聯(lián)規(guī)則挖掘的差異演化算法 129

5.5.1 規(guī)則挖掘 129

5.5.2 算法的設(shè)計 131

5.5.3 仿真實驗結(jié)果 133

5.6 求解特征選擇的人工魚群算法 136

5.6.1 特征選擇 136

5.6.2 算法的設(shè)計 136

5.6.3 仿真實驗結(jié)果 137

5.7 求解網(wǎng)絡(luò)安全態(tài)勢預(yù)測的人工魚群算法 139

5.7.1 網(wǎng)絡(luò)安全態(tài)勢預(yù)測模型 140

5.7.2 算法的設(shè)計 141

5.7.3 仿真實驗結(jié)果 143

5.8 求解圖像邊緣檢測的遺傳算法 146

5.8.1 數(shù)字圖像邊緣 146

5.8.2 Sobel邊緣檢測算子 148

5.8.3 面向圖像邊緣檢測的遺傳算法 149

5.8.4 仿真實驗結(jié)果 151

5.8.5 結(jié)論 155

5.9 本章小結(jié) 155

參考文獻 157

第6章 總結(jié)與展望 159 2100433B

本書以人工魚群算法、煙花爆炸優(yōu)化算法兩個典型的群體智能算法為主，系統(tǒng)介紹了算法的原理，建立了基于協(xié)作、競爭機制的群體智能算法的數(shù)學(xué)模型。全書著重分析了人工魚群算法和煙花爆炸優(yōu)化算法的弱點，并提出了多種新穎的改進機制，給出了算法的詳細(xì)實現(xiàn)步驟。本書還詳細(xì)探討了部分群體智能算法在VRP問題、圖像邊緣檢測、SVM反問題、網(wǎng)絡(luò)態(tài)勢預(yù)測、數(shù)據(jù)聚類、特征選擇等領(lǐng)域內(nèi)的應(yīng)用，并介紹了近年來出現(xiàn)的兩個比較新穎的群體智能算法，顧問引導(dǎo)搜索算法和教—學(xué)優(yōu)化算法。

《離散粒子群優(yōu)化算法及其應(yīng)用》分為11章，各章節(jié)內(nèi)容具體安排如下 ：第1章主要介紹了基本PSO算法的原理機制及其發(fā)展現(xiàn)狀，并著重介紹了 PSO算法的三種常見離散化策略，闡述了DPSO算法的應(yīng)用成果；第2章主要介 紹了PSO算法在TSP優(yōu)化問題中的應(yīng)用；第3章介紹了一種基于表現(xiàn)型共享函 數(shù)的多目標(biāo)粒子群優(yōu)化算法及其在多工作流調(diào)度問題中的應(yīng)用；第4章介紹 了一種求解多目標(biāo)最小生成樹問題的改進計數(shù)算法，并詳細(xì)闡述了一種用于 求解多目標(biāo)最小生成樹問題的新型DPs0算法的具體設(shè)計過程；第5章主要介 紹了PSO算法在入侵檢測數(shù)據(jù)特征選擇中的應(yīng)用；第6章重點闡述了PSO算法 在入侵檢測系統(tǒng)異常檢測和誤用檢測中的具體應(yīng)用；第7章分別闡述了PSO算 法在網(wǎng)絡(luò)安全態(tài)勢感知中態(tài)勢要素獲取、理解以及預(yù)測等各步驟中的應(yīng)用； 第8章主要介紹了PSO算法在異構(gòu)集群數(shù)據(jù)流分配問題中的應(yīng)用；第9．章主 要討論了無線傳感器網(wǎng)絡(luò)中基于PSO的拓?fù)渖杉捌淙蒎e拓?fù)淇刂茩C制，詳 細(xì)介紹了各種算法的具體設(shè)計過程；第10章重點闡述了基于PSO算法的無線 傳感器網(wǎng)絡(luò)任務(wù)調(diào)度策略的設(shè)計；第11章分別闡述了PSO算法在超大規(guī)模集 成電路物理設(shè)計中的電路劃分和布圖/布局規(guī)劃優(yōu)化問題中的具體應(yīng)用。 《離散粒子群優(yōu)化算法及其應(yīng)用》主要面向計算機科學(xué)、自動化科學(xué)、 管理科學(xué)、控制科學(xué)等相關(guān)學(xué)科專業(yè)高年級本科生、研究生以及廣大研究計 算智能的科技工作者。